التعلم الألي machine learning أحد فروع الذكاء الاصطناعي الذي يهتم بتصميم و تطوير خوارزميات و تقنيات التي تسمح للحواسب بامتلاك خاصية "التعلم". بشكل عام هناك مستويين من التعلم : الاستقرائي و استنتاجي. يقوم الاستقرائي باستنتاح قواعد و أحكام عامة من مجموعة ضخمة جدا من البيانات .
المهمة الأساسية للتعلم الآلي هو استخراج معلومات قيمة من اليانات بالتالي هو قريب جدا من التنقيب في البيانات data mining و الإحصاء و المعلوماتية النظرية
يتضمن التعلم الآلي عددا كبيرا من حقول التطبيقات : معالجة اللغات الطبيعية natural language processing و تمييز الأنماط syntactic pattern recognition و محركات البحث search engines و التشخيص الطبي و المعلوماتية الحيوية و المعلوماتية الكيميائية ، تصنيف تسلسلات الدنا ، تمييز الكلام speech recognition و تمييز الكتابة handwriting recognition ، و حتى تمييز الأشياء object recognition ، رؤية الحاسوب computer vision أ الألعاب الاستراتيجية و تحريك الروبوت robot locomotion .
مواضيع التعلم الآلي
- This list represents the topics covered on a typical machine learning course.
- Prerequisites
- نظرية بايز Bayesian theory
- نمذجة دوال كثافة الاحتمال الشرطي: regression and classification
- شبكات عصبونية اضطناعية
- شجرة القرار
- برمجة التعبير الجيني Gene expression programming
- خورزمية جينية Genetic algorithms
- برمجة جينية Genetic programming
- Inductive Logic Programming
- Gaussian process regression
- Linear discriminant analysis
- K-nearest neighbor
- Minimum message length
- Perceptron
- Quadratic classifier
- Radial basis function networks
- Support vector machines
- Algorithms for estimating model parameters
- Dynamic programming
- Expectation-maximization algorithm
- Modeling probability density functions through generative models
- Graphical models including Bayesian networks and Markov Random Fields
- Generative Topographic Mapping
|
- Approximate inference techniques
- Monte Carlo methods
- Variational Bayes
- Variable-order Markov models
- Variable-order Bayesian networks
- Loopy belief propagation
- Optimization
- Most of methods listed above either use optimization or are instances of optimization algorithms
- Meta-learning (ensemble methods)
- Boosting
- Bootstrap aggregating
- Random forest
- Weighted majority algorithm
- Inductive transfer and learning to learn
- Inductive transfer
- Reinforcement learning
- Temporal difference
- Monte-Carlo method
|
انظر أيضا
- ذكاء اصطناعي Artificial intelligence
- Autonomous robot
- معلوماتية حيوية Bioinformatics
- ذكاء تحسيبي Computational intelligence
- رؤية حاسوبية Computer vision
- تنقيب في البيانات Data mining
- Inductive logic programming
- نظام ذكي Intelligent system
- Journal of Machine Learning Research
- Important publications in machine learning (computer science)
|
- List of numerical analysis software
- MLMTA Machine Learning: Models, Technologies & Applications
- Multi-label classification
- Neural Information Processing Systems (NIPS) (conference)
- برمجية شبكة عصبونية Neural network software
- Variable-order Markov models
- Variable-order Bayesian network
- تمييز الأنماط Pattern recognition
- تحليل تنبؤي Predictive analytics
- WEKA Open-source machine learning framework for pattern classification, regression, and clustering.
|
Bibliography
- Ethem Alpaydın (2004) Introduction to Machine Learning (Adaptive Computation and Machine Learning), MIT Press, ISBN 0262012111
- Christopher M. Bishop (2007) Pattern Recognition and Machine Learning, Springer ISBN 0-387-31073-8.
- Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1983), Machine Learning: An Artificial Intelligence Approach, Tioga Publishing Company, ISBN 0-935382-05-4.
- Ryszard S. Michalski, Jaime G. Carbonell, Tom M. Mitchell (1986), Machine Learning: An Artificial Intelligence Approach, Volume II, Morgan Kaufmann, ISBN 0-934613-00-1.
- Yves Kodratoff, Ryszard S. Michalski (1990), Machine Learning: An Artificial Intelligence Approach, Volume III, Morgan Kaufmann, ISBN 1-55860-119-8.
- Ryszard S. Michalski, George Tecuci (1994), Machine Learning: A Multistrategy Approach, Volume IV, Morgan Kaufmann, ISBN 1-55860-251-8.
- Bhagat, P. M. (2005). Pattern Recognition in Industry, Elsevier. ISBN 0-08-044538-1.
- Bishop, C. M. (1995). Neural Networks for Pattern Recognition, Oxford University Press. ISBN 0-19-853864-2.
- Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern classification (2nd edition), Wiley, New York, ISBN 0-471-05669-3.
- Huang T.-M., Kecman V., Kopriva I. (2006), Kernel Based Algorithms for Mining Huge Data Sets, Supervised, Semi-supervised, and Unsupervised Learning, Springer-Verlag, Berlin, Heidelberg, 260 pp. 96 illus., Hardcover, ISBN 3-540-31681-7 [1].
- KECMAN Vojislav (2001), LEARNING AND SOFT COMPUTING, Support Vector Machines, Neural Networks and Fuzzy Logic Models, The MIT Press, Cambridge, MA, 608 pp., 268 illus., ISBN 0-262-11255-8 [2].
- MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms, Cambridge University Press. ISBN 0-521-64298-1.
- Mitchell, T. (1997). Machine Learning, McGraw Hill. ISBN 0-07-042807-7.
- Ian H. Witten and Eibe Frank "Data Mining: Practical machine learning tools and techniques" Morgan Kaufmann ISBN 0-12-088407-0.
- Sholom Weiss and Casimir Kulikowski (1991). Computer Systems That Learn, Morgan Kaufmann. ISBN 1-55860-065-5.
- Mierswa, Ingo and Wurst, Michael and Klinkenberg, Ralf and Scholz, Martin and Euler, Timm: YALE: Rapid Prototyping for Complex Data Mining Tasks, in Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD-06), 2006.
- Trevor Hastie, Robert Tibshirani and Jerome Friedman (2001). The Elements of Statistical Learning, Springer. ISBN 0387952845 (companion book site).
- Vladimir Vapnik (1998). Statistical Learning Theory. Wiley-Interscience, ISBN 0471030031.
External links
قالب:Linkfarm